CN114783212A - 一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法 - Google Patents
一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法 Download PDFInfo
- Publication number
- CN114783212A CN114783212A CN202210315637.4A CN202210315637A CN114783212A CN 114783212 A CN114783212 A CN 114783212A CN 202210315637 A CN202210315637 A CN 202210315637A CN 114783212 A CN114783212 A CN 114783212A
- Authority
- CN
- China
- Prior art keywords
- time
- departure
- taxi
- constructing
- airport
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000010006 flight Effects 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000002085 persistent effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 description 10
- 238000010276 construction Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 4
- 230000001934 delay Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/003—Flight plan management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0043—Traffic management of multiple aircrafts from the ground
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/06—Traffic control systems for aircraft, e.g. air-traffic control [ATC] for control when on the ground
- G08G5/065—Navigation or guidance aids, e.g. for taxiing or rolling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Aviation & Aerospace Engineering (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法,包括步骤1、通过构建航班宏观时空网络拓补模型,分析并获得影响繁忙机场航空器离港滑行时间的时间、空间和环境维度的特征因素,基于所得出的特征因素与离港滑行时间的相关性进行特征因素筛选,然后分别构建时间维度特征集、空间维度特征集和环境维度特征集;步骤2、时间维度特征集、空间维度特征集和环境维度特征集构成繁忙机场航空器离港滑行时间预测模型特征集,用于繁忙机场航空器离港滑行时间预测。本发明准确识别和构建了表征航空器离港滑行时间关键因素的特征变量集合,提高了航空器离港滑行时间预测模型的精度。
Description
技术领域
本发明属于机场场面运行优化领域,具体涉及一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法。
背景技术
2017年8月,民航局发布《关于进一步统筹推进机场协同决策(A-CDM)建设的通知》(Airport Collaborative Decision Making,A-CDM),要求年旅客吞吐量三千万人次及一千万人次以上的机场分别要在2018年和2019年年底前完成A-CDM建设,进一步明确了在全行业推进A-CDM系统建设的时间节点。
A-CDM系统通过集成空管、航空公司、机场三个独立的子系统搭建出一个信息交互、数据共享的航空运输一体化平台,旨在保障安全的前提下,运用智能化信息系统提高飞机放行效率,从而达到提升机场运行品质的效果。实践表明A-CDM系统在减少航班总体延误、扩大机场容量等方面起到了积极作用。
然而在A-CDM系统中对于离港航班推出时刻(Calculated Off-Block Time,COBT)的计算,是将每个离港航班的计算起飞时间(Calculated Take-Off Time,CTOT)减去历史平均滑行时间。但航班离港滑行的过程具有较大的不确定性,仅凭经验预测滑行时间的传统管理模式已不能满足A-CDM系统的要求。
为使A-CDM系统充分发挥协同决策的优势,研究机场运行特点、挖掘表征场面运行的关键特征,并设计合适的算法来提高离港滑行时间预测的准确性,对优化场面运行、提高A-CDM机制下起飞时刻的执行率具有重要价值。
飞机滑行时间预测模型的特征构建研究现状:由于不同机场的场面构型不同,其运行方式和运行规则也存在较大差异,因此航空器在不同机场的离港滑行时间影响因素也有所区别。
近年来,无阻碍滑行时间作为评价机场拥挤程度和滑行效率的指标在美国和欧洲机场率先得到应用并证实了这一指标的适用性,但国内机场目前尚未建立起统一的指标,只是规定了各大型机场的平均滑行时间,这种粗放式的估计显然不适用于场面运行效率的评估。
以往的研究中对于离港滑行时间预测模型的特征构建主要围绕场面流量展开,并着重论述了流量因素对离港滑行时间的重要影响,但仅引入场面流量的特征变量构建还不够全面,诸如航站楼构型、机位间的相互影响等在实际运行中尤为关键的影响因素在以往的研究中鲜有涉及,预测模型的准确度存在较大的进步空间。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法。
为实现上述技术目的,本发明采取的技术方案为:
一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法,包括:
步骤1、通过构建航班宏观时空网络拓补模型,分析并获得影响繁忙机场航空器离港滑行时间的时间、空间和环境维度的特征因素,基于所得出的特征因素与离港滑行时间的相关性进行特征因素筛选,然后分别构建时间维度特征集、空间维度特征集和环境维度特征集;
步骤2、时间维度特征集、空间维度特征集和环境维度特征集构成繁忙机场航空器离港滑行时间预测模型特征集,用于繁忙机场航空器离港滑行时间预测。
为优化上述技术方案,采取的具体措施还包括:
上述的步骤1分析得出时间维度的特征因素包括机场场面流量、机场容量、无阻碍滑行时间、运行时间段和相邻时段航班离港滑行时间;
空间维度的特征因素包括滑行距离、航站楼构型、机位影响指数和离港跑道;
环境维度的特征因素包括机型和航空公司类别。
上述的步骤1通过构建航班宏观时空网络拓补模型标注进离场航班的时空衔接节点,根据航班时空网络拓补模型中进离港航班的衔接关系,关注离港航班撤轮挡时间和起飞时间、进港航班的落地时间和上轮挡时间,依据时间节点产生的先后顺序,将不同时间区间内的进离港航班进行划分,并定义构建相互独立的使用同跑道进离港的航班流量特征;
将航班流量的统计范围由同跑道流量拓展至整个场面的数据,得出整场的离港流量特征和进港流量特征,共构建出n个与航班流量相关的特征变量,分别计算n个特征变量与离港滑行时间的相关性;
将具有相同时间跨度的航班流量与离港滑行时间的相关系数进行纵向对比,得出机场整场的拥堵程度对离港滑行时间的影响要大于使用同跑道起降航班的相互影响;将进港流量和离港流量进行同维度横向对比,得出相比于进港流量,离港航班的数量对出港滑行时间的影响更大;
根据上述分析,将相关系数为负数的变量剔除后,筛选得到用于构建时间维度特征集的场面流量特征。
上述的步骤1根据机场容量的定义与计算公式,对样本航班进行统计,得出机场的平均离港滑行时间为x,则得到用于构建时间维度特征集的机场容量特征为航班预计起飞前n内起降的飞机总数;
步骤1首先基于APO(FAA Aviation Policy and Planning Office,APO)方法进行改进,构建进、离港飞机数与实际滑行时间的多元线性回归模型来计算无阻碍滑行时间,然后分析无阻碍滑行时间与离港滑行时间的相关性,根据相关系数,判断无阻碍滑行时间是否可用于构建时间维度特征集;
步骤1对样本数据的平均延误时长和场面航空器数量进行分段分析,采用K-means聚类算法将运行时段按小时进行划分,得出用于构建时间维度特征集的运行时间段;
步骤1将滑行时间离散化处理为每15min一个单位,计算航班i推出前15min内使用同跑道离港的其他航班的平均滑行时间tdep,分析tdep与航班离港滑行时间Tout的相关性分析,结合相关系数,判断相邻时段航班离港滑行时间是否可用于构建时间维度特征集。
上述的步骤1通过机场地面管制部门提供的场面运行规则和路径,依据机场CAD底图量取每个机位至跑道口的滑行距离,将数据进行归一化处理后得到离港滑行时间和滑行距离的关系模型,对该模型进行准确度、可决系数和相关系数计算,判断滑行距离是否可用于构建空间维度特征集。
上述的步骤1通过分析各机位组所属的航站楼构型,所述航站楼构型包括直线型航站楼构型和卫星型航站楼构型;
以平均离港滑行时间为度量,在各个机位分组的基础上将离港航空器所在的机位组和离港跑道一一匹配,对所有“机位组-跑道”的平均离港滑行时间进行计算,得出用于构建空间维度特征集的航站楼构型。
上述的步骤1所述机位影响指数是指飞机推出过程中影响周围机位的个数,分析不同航站楼构型下的机位和同一航站楼构型下处于不同位置的机位分别对离港滑行时间的影响程度,实现相关性分析,得出用于构建空间维度特征集的机位影响指数。
上述的步骤1分析使用不同跑道头起飞的航班平均离港滑行时间,实现相关性分析,得出用于构建空间维度特征集的离港跑道,将离港跑道选择设为one-hot编码,每个航班有且仅有一条起飞跑道,进而构成空间维度特征集的离港跑道。
上述的步骤1依据翼展和主起落架外轮外侧边间距对机型进行划分,统计分析在相同范围的滑行距离下,各类机型的平均离港滑行时间及标准差,实现相关性分析,得出用于构建环境维度特征集的离港跑道,将机型变量设为one-hot编码得到一个长度为4的特征向量,每个航班有且仅有一种机型执飞,进而构成环境维度特征集的机型;
步骤1分别统计国内和国外航空公司的平均离港滑行时间和标准差,实现相关性分析,得出用于构建环境维度特征集的航空公司类别,将航空公司分为国内和国外两种类型,将其设置为二值型变量,进而构成环境维度特征集的航空公司类别。
本发明具有以下有益效果:
(1)将大数据挖掘和机器学习算法运用于机场场面实际运行数据,从时间、空间和环境三个维度准确识别和构建了表征航空器离港滑行时间关键因素的特征变量集合,提高了航空器离港滑行时间预测模型的精度;
(2)本发明可提升A-CDM运行机制下离港航班的起飞时隙利用率;A-CDM系统根据每个离港航班的CTOT和离港滑行时间倒推出COBT,其中离港滑行时间普遍采用历史经验值。但由于航班离港滑行过程的不确定性,仅凭经验预测的模式难以高效利用起飞时隙,因此准确预测飞机的离港滑行时间对提升COBT的准确性,进而提升起飞时隙利用率具有重要意义。
附图说明
图1为航班宏观时空网络拓补模型;
图2为特征变量与滑行时间的相关系数;
图3为36R-P5F机位组离港路线示意图;
图4为Tunimpeded与Tout的相关性;
图5为tdep与Tout的相关性分析;
图6为一号航站楼和二号航站楼构型及机位分组;
图7为不同航站楼构型下的机位影响示意;
图8为同一航站楼构型下不同机位的影响示意;
图9为首都机场各跑道平均离港滑行时间分布;
图10为本发明方法流程图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
参见图10,一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法,包括:
步骤1、通过构建航班宏观时空网络拓补模型,分析并获得影响繁忙机场航空器离港滑行时间的时间、空间和环境维度的特征因素,基于所得出的特征因素与离港滑行时间的相关性进行特征因素筛选,然后分别构建时间维度特征集、空间维度特征集和环境维度特征集;
步骤1分析得出时间维度的特征因素包括拥堵变量、无阻碍滑行时间、运行时间段和相邻时段航班离港滑行时间;
所述拥堵变量包括场面流量特征和机场容量特征;
空间维度的特征因素包括滑行距离、航站楼构型、机位影响指数和离港跑道;
环境维度的特征因素包括机型和航空公司类别。
具体如下:
1时间维度特征构建
1.1机场场面流量
为描述不同时间区间内的场面飞机数量,依据航空器离港滑出过程中的不同时间节点,分别统计航空器推出前、滑行过程中处于不同运行状态下的进、离港航班数量,分析其对离港滑行时间的影响。
构建的预测模型是否准确,拥堵变量的选择至关重要。由于航空器进港滑入和离港滑出的过程相互耦合、相互依存,因此可以通过构建航班宏观时空网络拓补模型标注进离场航班的时空衔接节点,如图1。
图1中,d0,d1,d2,d3,d4表示离港航班,d0为目标离港航班,tAOBT,tATOT分别为d0的撤轮挡时间和起飞时间。
d1表示推出时间在tAOBT前,且起飞时间在[tAOBT,tATOT]的航班;
d2表示推出时间在tAOBT前,且起飞时间在tATOT后的航班;
d3表示推出时间在tAOBT后,且起飞时间在tATOT前的航班;
d4表示推出时间在[tAOBT,tATOT],且起飞时间在tATOT后的航班。
类似的,a1,a2,a3,a4表示进港航班。
a1表示推出时间在tAOBT前,且起飞时间在[tAOBT,tATOT]的航班;
a2表示推出时间在tAOBT前,且起飞时间在tATOT后的航班;
a3表示推出时间在tAOBT后,且起飞时间在tATOT前的航班;
a4表示推出时间在[tAOBT,tATOT],且起飞时间在tATOT后的航班;
根据航班时空网络模型中进离港航班的衔接关系,重点关注离港航班撤轮挡时间和起飞时间、进港航班的落地时间和上轮挡时间,依据时间节点产生的先后顺序,将不同时间区间内的进离港航班进行划分,A为场面进港航空器数量,D为场面离港航空器数量,如式(2)至(9)所示。
航空器i推出时使用同跑道离港的航班d1的数量之和可表示为:
D1(i)=∑jnum(j),tAOBT(j)<tAOBT(i)andtAOBT(i)<tATOT(j)<tATOT(i) (2)
航空器i推出时使用同跑道离港的航班d2的数量之和可表示为:
D2(i)=∑jnum(j),tAOBT(j)<tAOBT(i)andtATOT(j)>tATOT(i) (3)
航空器i推出时使用同跑道离港的航班d3的数量之和可表示为:
D3(i)=∑jnum(j),tAOBT(j)>tAOBT(i)andtATOT(j)<tATOT(i) (4)
航空器i推出时使用同跑道离港的航班d4的数量之和可表示为:
D4(i)=∑jnum(j),tAOBT(i)<tAOBT(j)<tATOT(i)andtATOT(j)>tATOT(i) (5)
同样,航空器i推出时使用同跑道进港的航班a1的数量之和可表示为:
A1(i)=∑jnum(j),tALDT(j)<tAOBT(i)andtAOBT(i)<tAIBT(j)<tATOT(i) (6)
航空器i推出时使用同跑道进港的航班a2的数量之和可表示为:
A2(i)=∑jnum(j),tALDT(j)<tAOBT(i)andtAIBT(j)>tATOT(i) (7)
航空器i推出时使用同跑道进港的航班a3的数量之和可表示为:
A3(i)=∑jnum(j),tALDT(j)>tAOBT(i)andtAIBT(j)<tATOT(i) (8)
航空器i推出时使用同跑道进港的航班a4的数量之和可表示为:
A4(i)=∑jnum(j),tAOBT(i)<tALDT(j)<tATOT(i)andtAIBT(j)>tATOT(i) (9)
根据以上定义构建了8个相互独立的使用同跑道进离港的航班流量特征。
为探究整个场面进离港航班对离港滑行时间的影响,将航班流量的统计范围由同跑道流量拓展至整个场面的数据,由此得出整场的离港流量特征D’1(i),D’2(i),D’3(i),D’4(i)和进港流量特征A’1(i),A’2(i),A’3(i),A’4(i),共构建出16个与航班流量相关的特征变量,分别计算这16个特征变量与离港滑行时间的相关性,其结果如图2。
将具有相同时间跨度的航班流量与离港滑行时间的相关系数进行纵向对比,离港航班流量与滑行时间的相关系数对比结果为:D’1(i)>D1(i),D’3(i)>D3(i),D’4(i)>D4(i);进港航班流量与滑行时间的相关系数对比结果为:A’1(i)>A1(i),A’3(i)>A3(i),A’4(i)>A4(i)。
以上结果可以看出,整场航班的数量与滑行时间的相关性要普遍高于同跑道的航班数量。因此就相关性而言,首都机场整场的拥堵程度对离港滑行时间的影响要大于使用同跑道起降航班的相互影响。
将进港流量和离港流量进行同维度横向对比,可以看出在相关系数排名前10位的特征变量中,共有6个离港流量,因此相比于进港流量,离港航班的数量对出港滑行时间的影响更大。为了最大限度丰富候选特征集合的变量,使得预测结果更准确,将相关系数为负数的变量剔除后,构建场面流量特征D1,D3,D4,A1,A3,A4,D’1,D’3,D’4,A’1,A’3,A’4共计12个特征。
1.2机场容量Dbefore
由于航班延误具有传播性,前一时段机场场面的负荷程度大小将对下一时段的拥堵程度产生波及影响。当前一时段的拥堵等级超出机场场面容量,如果拥堵情况没有得到及时缓解,那么当前时段航空器的离港滑行时间也会相应增加。因此本专利将机场容量作为特征变量的关键指标之一。
机场容量以航班预计起飞时间(Estimated take-off time,ETOT)为参照,是指航班预计起飞前n分钟内起降的飞机总数,其中n为机场所有航班的平均离港滑行时间,其计算公式如(10):
airport_capacity(i)=∑j1num(j1)+∑j2num(j2)
0≤tETOT(i)-tATOT(j1)≤n (10)
0≤tETOT(i)-tALDT(j2)≤n
其中,airport_capacity(i)为机场容量,为离港航班i预计起飞时间前nmin内起飞的飞机总数,为离港航班i预计起飞时间前nmin内降落的飞机总数。对样本航班进行统计可得,首都机场的平均离港滑行时间为20min,即n=20,因此本专利构建的机场容量特征Dbefore为航班预计起飞前20min内起降的飞机总数。
1.3无阻碍滑行时间
无阻碍滑行时间是指飞机从停机位推出后滑行至跑道头起飞的过程中,在没有受到任何阻碍情况下的滑行时间,可以表示为:
Tunimpeded=Tout-Ttaxi-delay (11)
式(11)中,Tunimpeded为无阻碍滑行时间,Tout为离港滑行时间,Ttaxi-delay为滑行延误时间。当场面流量远小于机场容量且各环节衔接顺畅时,航空器无需等待即可畅通无阻地滑行至跑道头起飞,此时Tunimpeded=Tout;而当场面航空器数量较多时,管制员会参照保障完成后的申请推出时间和CTOT对离港航空器进行排序,并根据场面实际运行状况发出开车滑行、滑行等待等指令,从而保障航空器之间的安全间隔,避免发生冲突,此时Tunimpeded>Tout。
无阻碍滑行时间的假设条件为航空器从停机位滑行到跑道头没有发生暂停或等待,即始终保持匀速滑行,因此无阻碍滑行时间的计算公式可表示为:
式(12)中,d为滑行距离,是指航空器在管制员的指令下,按规定路径由离港机位滑行到跑道头所经过的距离;v为滑行速度,是指航空器在没有干扰情况下的速度,受到机型、管制规定等限制。
无阻碍滑行时间作为机场场面运行情况的重要指标在国外机场被广泛应用,不同国家的民航组织管理机构对无阻碍滑行时间的计算方法各不相同,具体有以下三种:
(1)美国联邦航空政策规划署(FAA Aviation Policy and Planning Office,APO)的计算方法为:依据ASPM(Aviation system performance metrics,ASPM)数据库构建场面飞机数量和滑行时间之间的线性回归模型从而对无阻碍滑行时间进行预测。具体步骤如下:
Step1:航班分组。分别将离港航班和进港航班按照“机场-季节-承运航司”分组;
Step2:计算离港队长x0和进港队长x1;
Step3:数据清洗。去除各组滑行时间值较小的前25%的样本,得到测试样本集合;
Step4:构建滑行时间与进港、离港队长的多元线性回归方程y=ax0+bx1+c;
Step5:计算无阻滑行时间,令回归方程中的离港变量x0=1,进港变量x1=0,则无阻滑行时间y’=a×1+b×0+c;
Step6:计算滑出延误时间Ttaxi-delay=Tout-y’。
(2)欧洲绩效审核部门(European performance review unit,PRU)的计算方法如下:
Step1:航班分组,按照“机型-停机位-起飞跑道”将航班数据进行分组;
Step2:计算拥挤指数,即在航班i离港滑出期间起飞的航班数量;
Step3:计算各组拥挤指数阈值,拥挤阈值=50%×机场最大吞吐量×无阻滑行时间/60;
(3)第20百分位数(20th percentile method,P20)计算方法:将航班数据依据“承运航司-季节-跑道”分组后,求出各组无阻碍滑行时间的累积分布函数,则无阻滑行时间Tunimpeded=各组实际离港滑行时间数据的第20百分位数。
结合上述无阻碍滑行时间的计算过程可知,在得到无阻碍滑行时间后可进一步计算得到滑出延误时间,以此作为评价机场拥挤程度和滑出效率的指标。然而,我国民航主管部门对于无阻碍滑行时间没有明确的定义,且没有纳入到评估滑行延误的体系中。因此,为进一步加强对机场地面运行效率的评估,建立计算无阻碍滑行时间的标准是关键。
由于PRU的计算方法中机场吞吐量数据获取不够准确,而P20方法的数据界定对特定机场缺乏针对性,因此本专利基于APO方法进行改进,构建进、离港飞机数与实际滑行时间的多元线性回归模型来计算无阻碍滑行时间。如上文所述,首都机场有3条平行跑道,6个跑道端,且所有停机位被划分为52个机位组,因此将样本数据按照“离港跑道-机位组”共分为289组,分别计算各组机位的无阻碍滑行时间。下面以“36R-P5F”分组为例介绍无阻碍滑行时间的计算过程。
36R为首都机场的主离港跑道,P5F机位组位于T3航站楼前的五号机坪,包含531-536六个近机位和551-554四个远机位,图3为“36R-P5F”机位组离港路线示意图。
从图2中可知,离港流量D’3、进港流量A’3与离港滑行时间的相关性高达0.73和0.90,因此选取D’3和A’3两个变量构建其关于离港滑行时间的多元线性回归方程如下:
Tout=0.81×D’3+1.12×A’3+12.37 (14)
令D’3=1,A’3=0,可得Tunimpeded=13min,即组别为“36R-P5F”的无阻碍滑行时间为13min。由式(11)可知,每增加一架离港飞机,滑行时间相应增加0.81min;每增加一架进港飞机,滑行时间相应增加1.12min。可见,对于离港跑道为36R的P5F机位组而言,每多增加一架进港飞机对滑行时间的影响比每多增加一架离港飞机的影响更大。以此类推计算289个分组的无阻碍滑行时间,部分组别的数据如表1。
表1各“离港跑道-机位组”分组的无阻碍滑行时间(部分)
图4为Tunimpeded与离港滑行时间Tout的相关性图,其相关系数为0.47,说明无阻碍滑行时间是表征离港滑行时间的重要因素之一。
1.4运行时间段
延误时长是表征航空器场面滑行畅通程度的重要参照,也是衡量机场场面运行效率的关键指标。在进离港高峰时期,延误时长显著增加,因此分析延误时长的分布规律是划分机场运行时间段的重要手段。
为提高预测的准确性,本专利对样本数据的平均延误时长和场面航空器数量进行分段分析,采用K-means聚类算法将运行时段按小时进行划分。由于离港航班数据的特殊性,有的航班运行时间跨越两个时间段,将此类航空器在两个时段内都进行记次。根据延误率变化趋势,共进行10次迭代,最终的聚类结果如表2所示,共将全天24h划分为4个时间段。
表2基于K-means算法的运行时段分类
使用one-hot编码将非数值型数据转化为数值型数据,运行时段特征变为长度为4的特征向量,每个航班只能对应于一个运行时段,其约束条件为:
t1+t2+t3+t4=1 (15)
其中,t1、t2、t3、t4分被对应运行时段I、II、III、IV。
1.5相邻时段航班离港滑行时间
在实际运行中,诸如天气、流量控制等因素造成的航班延误会导致场面航班大量堆积,当运行情况好转时,某一时段的进离港需求很可能超出场面运行容量。由于航班延误的传播性,机场对航班延误的吸收和恢复能力深刻影响着场面运行效率,因此分析相邻时段航班的平均离港滑行时间对当前航班的离港滑行时间的影响具有重要的参考价值。
以首都机场为例,将滑行时间离散化处理为每15min一个单位,计算航班i推出前15min内使用同跑道离港的其他航班的平均滑行时间tdep,图5给出了tdep与Tout的相关性分析,相关系数为0.48,可以看出相邻时段航班的平均离港滑行时间与后续航班的离港滑行时间具有一定的相关性。
2空间维度特征构建
2.1滑行距离
一般情况下,离港滑行时间会随滑行距离的增加而增加,滑行距离的长度由滑行路径决定。由于不同机场的场面运行规则不同,管制员会依据运行手册的规定,同时结合场面运行现状对航空器的滑行路径进行指派,因此增加了离港滑行路径的统计难度。
但在实际运行中,为了保障航空器滑行的有序、安全,与机位相连的站坪滑行通道和与跑道相连的机坪滑行通道有相对固定的运行方向,加之每个航班在离港时的机位和起飞跑道是一一对应的,因此机位与跑道之间有相对固定的滑行路径,可依据“机位组-跑道号”分组统计滑行路径的关键节点来测量滑行距离。由于现有数据无法获得每个航班的具体离港滑行路径,本专利通过机场地面管制部门提供的场面运行规则和路径,依据机场CAD底图量取每个机位至跑道口的滑行距离,将数据进行归一化处理后得到离港滑行时间和距离的关系公式如下:
Tout=0.32D+0.23 (16)
式(16)中:Tout为离港滑行时间(min);D为离港滑行距离(m)。
表3中的各项评价指标分别为该预测模型的±3min准确度、±5min准确度、可决系数(R2)和相关系数(Correlation coefficient),可见在首都航班离港滑行距离与离港滑行时间的相关性较低。
表3评价指标
2.2航站楼构型
航站楼自身的构型决定了机位的布局情况,而航站楼与各场面资源的相对位置则决定了航空器的运行规则,如站坪滑行通道的运行模式、航空器的进离港滑行路线等。一般而言,机位组所处的航站楼构型越复杂,推出及滑行所消耗的时间则越长。为量化航站楼构型对离港滑行时间的影响,本专利通过分析各机位组所属的航站楼构型,以平均离港滑行时间为度量,在52个机位分组的基础上将离港航空器所在的机位组和离港跑道一一匹配,对共计289个“机位组-跑道”的平均离港滑行时间进行计算。
以1号和2号航站楼为例进行说明,其构型和机位分组如图6,1号航站楼为卫星型构型,2号航站楼为指廊型和线型构型的组合。从01跑道起飞的各机位组离港航班的平均离港滑行时间如表4。可以看出,首都机场1号和2号航站楼中,直线型航站楼构型下机位的平均离港滑行时间普遍高于卫星型航站楼构型。
表4不同航站楼构型下各机位组平均离港滑行时间(部分)
2.3机位影响指数
航空器的推出和滑行会占用推出线、机位资源和滑行道资源,导致周围其他机位上的航空器运行受限。受航站楼构型等因素的影响,不同机位的飞机在推出滑行过程中影响的机位数量也不同。受限机位数量越多,表明该机位受其他机位的影响程度越大,进而使其站坪滑行时间增加。一般而言,航站楼构型越复杂、机位排列越密集的区域,机位影响程度也越大。下面选取不同航站楼构型下的机位(图7)和同一航站楼构型下处于不同位置的机位(图8),分别对其影响程度进行分析:
图7(a)为卫星型航站楼构型下113机位的影响示意,113机位的飞机推出过程中,与其相邻的112和114机位上的飞机禁止运行,故113机位的影响为2。图7(b)为指廊型航站楼构型下527机位的影响示意,在527机位的飞机后推至Y1上的推出等待点的过程中,港湾内525-526、528-530、555-556机位上的飞机禁止运行,故527的机位影响为7。
图8(a)为直线型机坪构型下551机位的影响示意,551机位上的飞机推出时,552、553、535和536这四个机位禁止运行,故551的机位影响为4;而同样位于直线型机坪构型下的535机位其影响为7,如图8(b)。
由此可见,在实际运行中不同航站楼构型下的机位,或是同一航站楼构型下处于不同位置的机位上的飞机,其推出时对相邻机位上的飞机产生的运行限制也不同,进而会对离港滑行时间产生不同程度的影响。已有文献几乎未考虑这个因素,为此,本专利设计机位影响指数I这一特征,其含义为:飞机推出过程中影响周围机位的个数。
首都机场共有16个机坪,涉及到353个机位,基于对各个机位推出程序和运行规则的全面分析,统计得出353个机位、所属机位组以及机位组所在机坪的平均影响指数,如表5。
表5首都机场各机位组及其所属机坪的平均影响指数
机坪平均影响指数中最高的为4号坪,其值为4,说明该机坪内每个机位在推出过程中平均会对4个机位产生影响;相比于其他机坪,4号坪机位间产生冲突的概率较大,机位的灵活度较低,意味着在进离港高峰期容易发生推出等待延误。9号机坪和N12机坪的机位影响指数较低为1.5,即该机坪内每个机位在推出过程中平均只对1.5个机位产生影响,说明机位间的冲突概率较小,机位的灵活度较高,不易产生推出等待延误。
2.4离港跑道
在实际运行中,跑道运行规则一般为主进港或主出港,尽量避免起降航班混合使用而导致连续起飞流或连续降落流的中断,进而影响起飞效率。图9为首都机场使用不同跑道头起飞的航班平均离港滑行时间,其中使用19、18L、18R跑道头离港的航班其运行方向为向南,使用01、36R、36L跑道头离港的航班其运行方向为向北,统计结果看出,向南运行时航班的离港滑行时间普遍高于向北运行,可见离港跑道的选择对离港滑行时间会产生一定的影响。
本专利将离港跑道选择设为one-hot编码,每个航班有且仅有一条起飞跑道,因此约束条件为:
3环境维度特征构建
3.1机型
由于不同机型的操纵性能不同,其本身滑行时的速度也有差异。本专利依据翼展和主起落架外轮外侧边间距对机型进行划分,各机型的分类标准如表6。
表6机型分类标准(单位:米)
首都机场的航班样本共涉及C、D、E、F四种机型,在相同范围的滑行距离下,各类机型的平均离港滑行时间及标准差如表7所示。
表7各类机型平均离港滑行时间及标准差
机型类别 | type-C | type-D | type-E | type-F |
平均离港滑行时间/min | 23.04 | 17.30 | 24.21 | 25.64 |
滑行时间标准差/min | 8.72 | 6.98 | 8.36 | 10.22 |
可以看出,不同机型的滑行时间具有差异,E类机型的平均滑行时间比C类机型长约1min,且标准差相差较小,说明数据的离散程度相似;大机型的滑行时间普遍高于小机型。
由表7可知,不同机型的滑行时间存在差异,将机型变量设为one-hot编码得到一个长度为4的特征向量,每个航班有且仅有一种机型执飞,因此约束条件为:
3.2航空公司类别
一般而言,国内航空公司比国外航空公司更熟悉场面环境,滑行速度相对更快;国内飞行员与管制对话时没有语言障碍,可以比外籍飞行员更快地执行指令,分别统计国内和国外航空公司的平均离港滑行时间和标准差,结果如表8,可以看出,在相同范围的滑行距离内,国外航空公司的平均离港滑行时间比国内航空公司高出近2min,因此航空公司类别可作为离港滑行时间的影响因素之一。
表8不同类别航空公司平均离港滑行时间及标准差
航空公司类别 | 平均离港滑行时间/min | 滑行时间标准差/min |
国内航空公司 | 21.75 | 9.81 |
国外航空公司 | 23.61 | 9.63 |
由表8可知,不同类别的航空公司其平均离港滑行时间存在差异,本专利将航空公司分为国内和国外两种类型,将其设置为二值型变量,如式(19)。
式(19)中,A为航空公司类型,i为离港航班号。
步骤2、时间维度特征集、空间维度特征集和环境维度特征集构成繁忙机场航空器离港滑行时间预测模型特征集,用于繁忙机场航空器离港滑行时间预测。
与未使用无阻碍滑行时间、航站楼构型、机位影响指数相比,引入这三个特征预测离港滑行时间增强了机器学习模型的预测效果。
33个特征的6种模型预测效果如表9所示。
表9一次特征预测结果对比(33个)
30个特征的6种模型预测效果如表10所示。
表10一次特征预测结果对比(30个)
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (9)
1.一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法,其特征在于,包括:
步骤1、通过构建航班宏观时空网络拓补模型,分析并获得影响繁忙机场航空器离港滑行时间的时间、空间和环境维度的特征因素,基于所得出的特征因素与离港滑行时间的相关性进行特征因素筛选,然后分别构建时间维度特征集、空间维度特征集和环境维度特征集;
步骤2、时间维度特征集、空间维度特征集和环境维度特征集构成繁忙机场航空器离港滑行时间预测模型特征集,用于繁忙机场航空器离港滑行时间预测。
2.根据权利要求1所述的一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法,其特征在于,步骤1分析得出时间维度的特征因素包括机场场面流量、机场容量、无阻碍滑行时间、运行时间段和相邻时段航班离港滑行时间;
空间维度的特征因素包括滑行距离、航站楼构型、机位影响指数和离港跑道;
环境维度的特征因素包括机型和航空公司类别。
3.根据权利要求2所述的一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法,其特征在于,步骤1通过构建航班宏观时空网络拓补模型标注进离场航班的时空衔接节点,根据航班时空网络拓补模型中进离港航班的衔接关系,关注离港航班撤轮挡时间和起飞时间、进港航班的落地时间和上轮挡时间,依据时间节点产生的先后顺序,将不同时间区间内的进离港航班进行划分,并定义构建相互独立的使用同跑道进离港的航班流量特征;
将航班流量的统计范围由同跑道流量拓展至整个场面的数据,得出整场的离港流量特征和进港流量特征,共构建出n个与航班流量相关的特征变量,分别计算n个特征变量与离港滑行时间的相关性;
将具有相同时间跨度的航班流量与离港滑行时间的相关系数进行纵向对比,得出机场整场的拥堵程度对离港滑行时间的影响要大于使用同跑道起降航班的相互影响;将进港流量和离港流量进行同维度横向对比,得出相比于进港流量,离港航班的数量对出港滑行时间的影响更大;
根据上述分析,将相关系数为负数的变量剔除后,筛选得到用于构建时间维度特征集的场面流量特征。
4.根据权利要求2所述的一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法,其特征在于,步骤1根据机场容量的定义与计算公式,对样本航班进行统计,得出机场的平均离港滑行时间为x,则得到用于构建时间维度特征集的机场容量特征为航班预计起飞前n内起降的飞机总数;
步骤1首先基于APO方法进行改进,构建进、离港飞机数与实际滑行时间的多元线性回归模型来计算无阻碍滑行时间,然后分析无阻碍滑行时间与离港滑行时间的相关性,根据相关系数,判断无阻碍滑行时间是否可用于构建时间维度特征集;
步骤1对样本数据的平均延误时长和场面航空器数量进行分段分析,采用K-means聚类算法将运行时段按小时进行划分,得出用于构建时间维度特征集的运行时间段;
步骤1将滑行时间离散化处理为每15min一个单位,计算航班i推出前15min内使用同跑道离港的其他航班的平均滑行时间tdep,分析tdep与航班离港滑行时间Tout的相关性分析,结合相关系数,判断相邻时段航班离港滑行时间是否可用于构建时间维度特征集。
5.根据权利要求2所述的一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法,其特征在于,步骤1通过机场地面管制部门提供的场面运行规则和路径,依据机场CAD底图量取每个机位至跑道口的滑行距离,将数据进行归一化处理后得到离港滑行时间和滑行距离的关系模型,对该模型进行准确度、可决系数和相关系数计算,判断滑行距离是否可用于构建空间维度特征集。
6.根据权利要求2所述的一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法,其特征在于,步骤1通过分析各机位组所属的航站楼构型,所述航站楼构型包括直线型航站楼构型和卫星型航站楼构型;
以平均离港滑行时间为度量,在各个机位分组的基础上将离港航空器所在的机位组和离港跑道一一匹配,对所有“机位组-跑道”的平均离港滑行时间进行计算,得出用于构建空间维度特征集的航站楼构型。
7.根据权利要求2所述的一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法,其特征在于,步骤1所述机位影响指数是指飞机推出过程中影响周围机位的个数,分析不同航站楼构型下的机位和同一航站楼构型下处于不同位置的机位分别对离港滑行时间的影响程度,实现相关性分析,得出用于构建空间维度特征集的机位影响指数。
8.根据权利要求2所述的一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法,其特征在于,步骤1分析使用不同跑道头起飞的航班平均离港滑行时间,实现相关性分析,得出用于构建空间维度特征集的离港跑道,将离港跑道选择设为one-hot编码,每个航班有且仅有一条起飞跑道,进而构成空间维度特征集的离港跑道。
9.根据权利要求2所述的一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法,其特征在于,步骤1依据翼展和主起落架外轮外侧边间距对机型进行划分,统计分析在相同范围的滑行距离下,各类机型的平均离港滑行时间及标准差,实现相关性分析,得出用于构建环境维度特征集的离港跑道,将机型变量设为one-hot编码得到一个长度为4的特征向量,每个航班有且仅有一种机型执飞,进而构成环境维度特征集的机型;
步骤1分别统计国内和国外航空公司的平均离港滑行时间和标准差,实现相关性分析,得出用于构建环境维度特征集的航空公司类别,将航空公司分为国内和国外两种类型,将其设置为二值型变量,进而构成环境维度特征集的航空公司类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210315637.4A CN114783212A (zh) | 2022-03-29 | 2022-03-29 | 一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210315637.4A CN114783212A (zh) | 2022-03-29 | 2022-03-29 | 一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114783212A true CN114783212A (zh) | 2022-07-22 |
Family
ID=82426086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210315637.4A Pending CN114783212A (zh) | 2022-03-29 | 2022-03-29 | 一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114783212A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116957431A (zh) * | 2023-09-20 | 2023-10-27 | 航天宏图信息技术股份有限公司 | 气象水文环境数据组织模型的构建方法、装置及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100185426A1 (en) * | 2009-01-16 | 2010-07-22 | Rajesh Ganesan | Predicting Aircraft Taxi-Out Times |
CN106339358A (zh) * | 2016-08-16 | 2017-01-18 | 南京航空航天大学 | 基于多元回归分析的航空器场面滑行时间预测方法 |
CN108846523A (zh) * | 2018-07-31 | 2018-11-20 | 中国民航大学 | 一种基于贝叶斯网的航班离港滑行时间动态预测方法 |
CN110689764A (zh) * | 2019-09-26 | 2020-01-14 | 华南理工大学 | 一种基于动态模拟的飞机离场放行排序方法 |
CN110766064A (zh) * | 2019-10-14 | 2020-02-07 | 中国民航大学 | 一种基于局部加权支持向量回归的离港滑行时间预测方法 |
CN110852497A (zh) * | 2019-10-30 | 2020-02-28 | 南京智慧航空研究院有限公司 | 基于大数据深度学习的场面可变滑出时间预测系统 |
CN113610282A (zh) * | 2021-07-23 | 2021-11-05 | 北京首都国际机场股份有限公司 | 航班滑行时间预测方法 |
CN114239970A (zh) * | 2021-12-20 | 2022-03-25 | 南京邮电大学 | 一种面向民用航空机场的航班跑道滑行时间预测方法 |
-
2022
- 2022-03-29 CN CN202210315637.4A patent/CN114783212A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100185426A1 (en) * | 2009-01-16 | 2010-07-22 | Rajesh Ganesan | Predicting Aircraft Taxi-Out Times |
CN106339358A (zh) * | 2016-08-16 | 2017-01-18 | 南京航空航天大学 | 基于多元回归分析的航空器场面滑行时间预测方法 |
CN108846523A (zh) * | 2018-07-31 | 2018-11-20 | 中国民航大学 | 一种基于贝叶斯网的航班离港滑行时间动态预测方法 |
CN110689764A (zh) * | 2019-09-26 | 2020-01-14 | 华南理工大学 | 一种基于动态模拟的飞机离场放行排序方法 |
CN110766064A (zh) * | 2019-10-14 | 2020-02-07 | 中国民航大学 | 一种基于局部加权支持向量回归的离港滑行时间预测方法 |
CN110852497A (zh) * | 2019-10-30 | 2020-02-28 | 南京智慧航空研究院有限公司 | 基于大数据深度学习的场面可变滑出时间预测系统 |
CN113610282A (zh) * | 2021-07-23 | 2021-11-05 | 北京首都国际机场股份有限公司 | 航班滑行时间预测方法 |
CN114239970A (zh) * | 2021-12-20 | 2022-03-25 | 南京邮电大学 | 一种面向民用航空机场的航班跑道滑行时间预测方法 |
Non-Patent Citations (9)
Title |
---|
LI NAN ET.AL: "Prediction of Departure Aircraft Taxi Time Based on Deep Learning", TRANSACTIONS OF NANJING UNIVERSITY OF AERONAUTICS AND ASTRONAUTICS, vol. 37, no. 2, 30 April 2020 (2020-04-30), pages 1 * |
冯霞;孟金双;: "基于排队论的航班滑出时间预测", 南京航空航天大学学报, vol. 48, no. 05 * |
冯霞等: "基于KNN 和SVR的航班滑出时间预测", 西南交通大学学报, vol. 52, no. 5 * |
刘继新等: "基于航空器滑出时间的离场影响因素研究", 武汉理工大学学报(交通科学与工程版), vol. 42, no. 2 * |
廉冠: "基于滑行时间预测的飞机离港动态推出控制方法研究", 中国博士学位论文全文数据库, no. 2, 15 February 2020 (2020-02-15), pages 2 * |
李楠等: "离场航空器滑行时间预测研究", 重庆交通大学学报(自然科学版), vol. 40, no. 3, pages 1 * |
王维等: "基于飞机滑行效率提升的机场平面设计研究", 山西建筑, vol. 47, no. 10, pages 2 * |
赵文涛等: "基于滑行时间预测的推出率控制方法研究", 航空计算技术, vol. 51, no. 1 * |
陈祯等: "基于决策树的航空器离港滑出时间预测方法和模型", 武汉理工大学学报(交通科学与工程版), vol. 45, no. 3, pages 1 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116957431A (zh) * | 2023-09-20 | 2023-10-27 | 航天宏图信息技术股份有限公司 | 气象水文环境数据组织模型的构建方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689764B (zh) | 一种基于动态模拟的飞机离场放行排序方法 | |
CN107862910A (zh) | 基于机场场面滑行多种冲突模式的滑行延误时间和离场延误时间预测方法 | |
Clewlow et al. | Impact of arrivals on departure taxi operations at airports | |
CN107341620B (zh) | 基于bada燃油消耗率的短期天气下进场航班延误成本计算方法 | |
Chen et al. | Planning aircraft taxiing trajectories via a multi-ojective immune optimisation | |
CN104156805B (zh) | 一种基于概率分布的航段运行时间计算方法 | |
CN111191324B (zh) | 一种考虑限制条件的签派可靠度预计方法及装置 | |
CN111581780A (zh) | 复杂空域场景下机场群空域仿真建模与验证方法及装置 | |
CN116168566B (zh) | 一种航空器场面联合调度方法、装置、设备及存储介质 | |
Çeçen et al. | Aircraft sequencing and scheduling in TMAs under wind direction uncertainties | |
CN114783212A (zh) | 一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法 | |
CN110991913A (zh) | 繁忙机场高峰时间拥堵风险分析方法 | |
Badrinath et al. | Evaluating the impact of uncertainty on airport surface operations | |
CN110909946B (zh) | 一种基于公路换乘的航班计划优化方法 | |
Chao et al. | Simulation study on airfield system capacity analysis using SIMMOD | |
CN115049100B (zh) | 机场资源分配优化方法、装置、设备及可读存储介质 | |
Mirmohammadsadeghi | Improvements to airport systems capacity and efficiency using computer models and tools | |
CN113011640B (zh) | 一种快速核算航空二氧化碳排放量的方法及其系统 | |
Simaiakis | Modeling and control of airport departure processes for emissions reduction | |
Kawagoe et al. | Analyzing stochastic features in airport surface traffic flow using cellular automaton: Tokyo international airport | |
Nakahara et al. | Estimating current & future system-wide benefits of airport surface congestion management | |
Šabić et al. | Airport Modeling Software as a Tool for Assessing Airport Complexity and Decision Making | |
Mirmohammadsadeghi et al. | Taxi event extraction from surveillance for surface performance evaluation | |
Ling et al. | A multi-objective optimization model on taxiing mode selection and aircraft stands allocation for closely spaced parallel runway | |
Liu et al. | Miles-in-Trail Restrictions and Aviation System Performance: Chicago O’Hare Case Study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |